Table of Contents
Rozvrh na FEL | Fórum | Fórum 24/25 | BRUTE
Rozpoznávání a strojové učení
Cíl předmětu
Předmět 33RPZ studentům poskytne souhrnnou představu o rozpoznávání, jeho metodách, nástrojích a aplikacích. S velmi podobnými metodami se někdy setkáte pod názvy teorie rozhodování, analýza dat, dolování z dat, teorie učení či statistické učení.
Zimní semestr 2025/26
Kdy a kde: KN:E-301 ( Karlovo náměstí, budova E), pátek 11:00-12:30
Přednášející: Jiří Matas (JM) matas@cmp.felk.cvut.cz, Ondřej Drbohlav (OD) drbohlav@cmp.felk.cvut.cz
Plán přednášek 2025/26
| Týden | Datum | Př. | Zdroj | Téma | Wiki | Additional material |
|---|---|---|---|---|---|---|
| 1 | 26.9. | JM | Úvod. Formulace úloh řešených v rozpoznávání. Bayesovské rozhodování | Machine_learning Naive_Bayes_classifier | some simple problems | |
| 2 | 3.10. | JM | Nebayesovské úlohy (Neyman-Pearson, Minimax, Wald). | Minimax | ||
| 3 | 10.10. | JM | Odhady parametrů pravděpodobnostních modelů. Metoda maximální věrohodnosti. | Maximum_likelihood | ||
| 4 | 17.10. | (?) | Metoda nejbližších sousedů. Neparametrické odhady hustoty | K-nearest_neighbor_algorithm | ||
| 5 | 24.10. | OD | Logistická regrese | Logistic_regression | ||
| 6 | 31.10. | JM | Učení klasifikátoru. Lineární klasifikátor. Perceptron | Linear_classifier Perceptron | ||
| 7 | 7.11. | JM | Učení jako kvadratický optimalizační problém. Klasifikátor typu SVM. | Support_vector_machine | ||
| 8 | 14.11. | Rektorský den | ||||
| 9 | 21.11. | JM | Učení metodou Adaboost | Adaboost | ||
| 10 | 28.11. | JM | Učení metodou backpropagation. Neuronové sítě. | Artificial_neural_network | ||
| 11 | 5.12. | JM | Shlukování metodou k-means | K-means_clustering K-means++ | ||
| 12 | 12.12. | JM | EM algoritmus | Expectation_maximization_algorithm | Hoffmann,Bishop,Flach | |
| 13 | 19.12. | JM | Principal component analysis. Fisherův linearní discriminant. | Principal_component_analysis Linear_discriminant_analysis | Veksler, Franc, ver1 | |
| 14 | 9.1. | JM | Rozhodovací stromy. | Decision_tree Decision_tree_learning | Rudin@MIT |
Doporučená literatura
- Duda R.O., Hart, P.E.,Stork, D.G.: Pattern Classification, John Willey and Sons, 2nd edition, New York, 2001
- Schlesinger M.I., Hlaváč V.: Ten Lectures on Statistical and Structural Pattern Recognition, Springer, 2002
- Bishop, C.: Pattern Recognition and Machine Learning, Springer, 2011
- Goodfellow, I., Bengio, Y. and Courville, A.: Deep Learning, MIT Press, 2016. www
Zápočet
Podmínky získání zápočtu viz labs.
Zkouška
- Podmínkou přihlášení se ke zkoušce je získání zápočtu.
- Hodnocení: Práce v semestru 50%, písemná část zkoušky 40%, ústní 10%.
- Podmínkou složení zkoušky je získání minimálního počtu bodů v písemné části zkoušky (typicky 5-10 bodů ze 40, v závislosti na obtížnosti testu.)
- Šance na finální známku po písemném testu a před ústní zkouškou jsou znázorněné na obrázku níže. Upozornění: schéma je jen přibližné, ale vystihuje, jak ústní zkoušení ovlivňuje výslednou známku.
- Ústní zkouška je povinná!
- Ukázkové příklady pro písemnou část (písemky z předchozích let) naleznete na adrese http://cmp.felk.cvut.cz/cmp/courses/recognition/Exam-questions/ v souborech test_*
- Otázky pro ústní i písemnou část jsou voleny z tohoto seznamu otázek či jeho anglické verze.
